【技术实现步骤摘要】
本专利技术属于生物图像处理，尤其涉及一种基于迁移学习的弓形虫发育阶段诊断方法及系统。
技术介绍
1、深度学习或迁移学习辅助的人工智能技术在生物医学图像领域广泛应用，对于诊断、治疗和疾病研究发挥着至关重要的作用。在微生物病原体的诊断方面，这些技术同样发挥了关键作用。以covid-19大流行为例，深度学习技术在病毒检测、病例追踪、疫苗研发以及医疗管理等方面提供了宝贵的支持，帮助社会迅速应对这一全球危机。
2、病原微生物是一个多样的物种类群，由于在其结构、生命周期、感染方式和治疗方法等方面存在显著差异，因此它们被归为不同的类型，包括病毒、细菌和寄生虫。在这些类型中，弓形虫(toxoplasma gondii)是一种单细胞原生寄生虫，代表着原生动物中的一个重要类别。它在世界范围内广泛分布，可感染全球约30％的人群以及几乎所有的温血动物。尽管弓形虫通常不会在健康人中引发严重问题，但对于免疫系统有缺陷的人群、孕妇和儿童来说，可能会带来严重的后果，例如引起死亡、流产、胎儿畸形、死胎、斜视、失明、癫痫、精神运动或智力迟钝等。因此，对于特定高危人群，及时建立准确的诊断方法和进行预防措施至关重要。
3、目前，弓形虫病的诊断主要依赖于免疫学、pcr技术和形态学等不同方法。基于免疫学和pcr技术的诊断方法属于分子生物学诊断技术，其依赖于实验室资源。而形态学诊断则允许直接观察虫体的形态和结构，对于确诊感染或进行病原检测具有非常确凿的依据。因此，形态学诊断方法适用于细胞内感染标本的制备以及环境中弓形虫的检测。
4、弓形虫
5、通过以上说明，现有的弓形虫诊断技术主要依赖于分子生物学方法，用于检测其核酸或蛋白质。尽管分子生物学方法具备高度的灵敏性和特异性，但其不足之处在于对实验条件和专业技术人员的依赖。目前，形态学诊断仍然是广泛采用的方法。通过形态观察所获得的图像特征，结合深度学习的图像识别和诊断技术，能够有效提高诊断速度和准确性。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种基于迁移学习的弓形虫发育阶段诊断方法及系统，利用迁移学习辅助的图像分类技术和图像目标检测技术，实现对弓形虫虫体以及其不同发育阶段形态的精准化识别和诊断。
2、本专利技术是这样实现的，一种基于迁移学习辅助的弓形虫发育阶段的诊断方法，利用迁移学习和深度学习技术，对弓形虫的形态图像进行智能分类和发育阶段的预测；使用预训练的卷积神经网络模型作为基础模型，通过加载和冻结预训练模型层进行迁移学习，提取图像特征并进行分类；基于分类结果，使用预训练的目标检测模型再次进行图像检测，提取弓形虫的形状特征，最后使用机器学习模型完成对发育阶段的预测。
3、进一步，包括以下步骤：
4、s1、获取不同发育阶段弓形虫的形态特征图数据集；
5、s2、根据弓形虫不同发育阶段的生物学和形态学特征，对图像集进行人工处理，为每个图像分配正确的类别标签，以划分训练集和测试集；
6、s3、使用tensorflow框架中的数据增强技术对形态图像进行处理；
7、s4、通过多个预训练的卷积神经网络模型构建基础模型，以便比较不同的预训练模型，然后使用预训练模型的卷积部分来提取图像的特征；
8、s5、选择表现较好的预训练基础模型，通过加载和冻结预训练模型层来进行迁移学习，最终在冻结的预训练模型上构建迁移学习模型架构；
9、s6、训练迁移学习模型，随后在测试集上评估迁移学习模型的分类性能，完成对弓形虫形态图像的智能分类；
10、s7、基于s6中弓形虫形态图像分类的阳性结果，使用预训练的目标检测模型再次检测图像中是否存在弓形虫，然后通过提取弓形虫的形状特征，并使用机器学习模型完成对发育阶段的预测，最后可依据图像信息判断出发育阶段。
11、进一步，所述步骤s1运用生物学实验中的免疫荧光检测技术和光学显微诊断技术，以获取不同发育阶段弓形虫的形态图像数据，每个发育阶段均包括正例和反例图像集。
12、进一步，所述步骤s2将调整不同发育阶段弓形虫的正例和反例图像集，采用80％的图片数据作为训练集，20％作为测试集，并存放于不同的文件路径下。
13、进一步，所述步骤s3中数据增强器使用了tensorflow的imagedatagenerator类，允许对图像进行多种变换，以提高模型的泛化能力。
14、进一步，所述步骤s4中选择使用训练模型，包括resnet50、inceptionv3、vgg16、densenet121、mobilenetv2和efficientnetb4，然后加载预训练模型的权重；这些权重是在大规模图像数据集上进行训练得到的，因此包含了对寄生虫形态图像特征的丰富学习，加载预训练模型是通过使用tensorflow中的tf.keras.applications模块来实现。
15、进一步，所述步骤s5中选择冻结预训练模型通过遍历预训练模型的所有层，以逐一检查并决定是否冻结；对于每一层，将其trainable属性设置为false，以防止这些层在后续的训练中被更新。
16、进一步，所述步骤s6中所述的训练迁移学习模型涉及使用新的数据集对已加载和冻结的预训练模型进行微调，以适应新的任务，具体包括以下步骤：
17、s61、通过编译模型确定训练过程中所使用的损失函数、优化算法以及评估指标；其中，损失函数定义模型预测与实际标签之间的差距，使用二元交叉熵作为损失函数，用于二分类问题；其计算公式如下：
18、
19、其中，n表示样本数量，yi表示第i个样本的真实标签(0或1)，pi表示第i个样本的模型预测的概率，表示为属于类别1的概率；
20、s62、通过学习率衰减这一优化策略，使模型在训练过程中能够更好地收敛。此过程需要设置初始学习率和衰减因子的值，学习率衰减的计算公式如下：
21、
22、其中，lr表示当前学习率，lro表示初始学习率，t表示当前训练周期，r表示衰减率；
23、s63、使用早停策略防止模型出现过拟合，它根据训练集上的损失来决定是否停止训练；如果能够训练，模型会反复迭代训练数据，计算损失值并根据优化算法更新模型权重；最后，函数返回训练后的模型以及训练历史，历史包含了每个周期的损失和性能指标信息。
24本文档来自技高网...
【技术保护点】
1.一种基于迁移学习辅助的弓形虫发育阶段的诊断方法，其特征在于，利用迁移学习和深度学习技术，对弓形虫的形态图像进行智能分类和发育阶段的预测；使用预训练的卷积神经网络模型作为基础模型，通过加载和冻结预训练模型层进行迁移学习，提取图像特征并进行分类；基于分类结果，使用预训练的目标检测模型再次进行图像检测，提取弓形虫的形状特征，最后使用机器学习模型完成对发育阶段的预测。
2.如权利要求1所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法，包括以下步骤：
3.如权利要求2所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法，其特征在于，所述步骤S1运用生物学实验中的免疫荧光检测技术和光学显微诊断技术，以获取不同发育阶段弓形虫的形态图像数据，每个发育阶段均包括正例和反例图像集；所述步骤S2将调整不同发育阶段弓形虫的正例和反例图像集，采用80％的图片数据作为训练集，20％作为测试集，并存放于不同的文件路径下。
4.如权利要求2所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法，其特征在于，所述步骤S3中数据增强器使用了TensorFlow的ImageDataGen
5.如权利要求2所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法，其特征在于，所述步骤S4中选择使用训练模型，包括ResNet50、InceptionV3、VGG16、DenseNet121、MobileNetV2和EfficientNetB4，然后加载预训练模型的权重；这些权重是在大规模图像数据集上进行训练得到的，因此包含了对寄生虫形态图像特征的丰富学习，加载预训练模型是通过使用TensorFlow中的tf.keras.applications模块来实现。
6.如权利要求2所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法，其特征在于，所述步骤S5中选择冻结预训练模型通过遍历预训练模型的所有层，以逐一检查并决定是否冻结；对于每一层，将其trainable属性设置为False，以防止这些层在后续的训练中被更新。
7.如权利要求2所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法，其特征在于，所述步骤S6中所述的训练迁移学习模型涉及使用新的数据集对已加载和冻结的预训练模型进行微调，以适应新的任务，具体包括以下步骤：
8.如权利要求2所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法，其特征在于，步骤S7是基于S6分类后获得的弓形虫阳性图像，对其三个发育阶段进行目标检测和发育阶段的判断，对多个几何形状特征进行提取，使用机器学习模型和性能评估来确定弓形虫的发育阶段。
9.一种基于迁移学习辅助的弓形虫发育阶段的诊断系统，其特征在于，包括：
10.一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～9任意一项所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法的步骤。
...【技术特征摘要】
1.一种基于迁移学习辅助的弓形虫发育阶段的诊断方法，其特征在于，利用迁移学习和深度学习技术，对弓形虫的形态图像进行智能分类和发育阶段的预测；使用预训练的卷积神经网络模型作为基础模型，通过加载和冻结预训练模型层进行迁移学习，提取图像特征并进行分类；基于分类结果，使用预训练的目标检测模型再次进行图像检测，提取弓形虫的形状特征，最后使用机器学习模型完成对发育阶段的预测。
2.如权利要求1所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法，包括以下步骤：
3.如权利要求2所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法，其特征在于，所述步骤s1运用生物学实验中的免疫荧光检测技术和光学显微诊断技术，以获取不同发育阶段弓形虫的形态图像数据，每个发育阶段均包括正例和反例图像集；所述步骤s2将调整不同发育阶段弓形虫的正例和反例图像集，采用80％的图片数据作为训练集，20％作为测试集，并存放于不同的文件路径下。
4.如权利要求2所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法，其特征在于，所述步骤s3中数据增强器使用了tensorflow的imagedatagenerator类，允许对图像进行多种变换，以提高模型的泛化能力。
5.如权利要求2所述的基于迁移学习辅助的弓形虫发育阶段的诊断方法，其特征在于，所述步骤s4中选择使用训练模型，包括resnet50、inceptionv3、vgg16、densenet121、mobilenetv2和...
【专利技术属性】
技术研发人员：邹权，胡瑞思，张鑫，
申请(专利权)人：电子科技大学长三角研究院衢州，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。